本文提出 HunyuanOCR，一个面向OCR任务的商用级、开源且轻量级（10亿参数）视觉-语言模型（VLM）。该模型架构由原生视觉Transformer（ViT）与轻量级大语言模型（LLM）通过MLP适配器连接而成。HunyuanOCR展现出卓越的性能，超越了现有商业API、传统处理流程以及参数量更大的模型（如Qwen3-VL-4B）。具体而言，其在感知类任务（如文本定位、文本解析）方面优于当前公开的主流解决方案，并在语义类任务（如信息抽取、文本图像翻译）中表现突出，成功夺得ICDAR 2025 DIMT挑战赛（轻量模型赛道）第一名。此外，在OCRBench基准测试中，HunyuanOCR在参数量少于30亿的VLM中达到当前最优（SOTA）水平。HunyuanOCR在三个关键方面取得突破性进展：1）统一通用性与高效性：在轻量级框架内全面支持核心能力，包括文本定位、文本解析、信息抽取、视觉问答（VQA）及文本图像翻译。该设计有效克服了传统“OCR专用模型”功能局限性，以及“通用VLM”效率低下的问题。2）端到端架构的精简化：采用纯端到端范式，完全消除对预处理模块（如版面分析）的依赖，从根本上解决了传统流水线中常见的误差传播问题，显著简化了系统部署流程。3）数据驱动与强化学习策略：我们验证了高质量数据在OCR任务中的关键作用，并首次在业界实证表明，强化学习（Reinforcement Learning, RL）策略能为OCR任务带来显著的性能提升。HunyuanOCR已正式在HuggingFace平台开源。同时，我们提供基于vLLM的高性能部署方案，使其实用化效率处于行业领先水平。我们期望该模型能够推动前沿研究的发展，并为工业应用提供坚实的技术基础。